Aktive Verteilnetze mit EV-integriertem Zweistufen-Dispatch-Modell

Aktive Verteilnetze erreichen Meilenstein mit EV-integriertem Zweistufen-Dispatch-Modell

In der sich ständig weiterentwickelnden Landschaft der Energiesysteme, in der Volatilität täglich auf Ambitionen trifft, bahnte sich im Nordosten Chinas ein Durchbruch an – nicht auf einer Rennstrecke oder in einer glänzenden Tesla Gigafactory, sondern in einer Simulationskammer an der Northeast Petroleum University. Dort entwickelten Forscher ein Dispatch-Framework für aktive Verteilnetze (Active Distribution Networks, ADNs), das Elektrofahrzeuge (EVs) nicht nur toleriert, sondern aktiv mit ihnen zusammenarbeitet.

Willkommen im Zeitalter der kooperativen Netzintelligenz – in dem EVs nicht mehr nur passive Lasten sind, die Strom aus der Steckdose ziehen, sondern mobile, flexible Energieassets, die helfen, das Chaos der erneuerbaren Erzeugung zu glätten. Und in diesem aufstrebenden Paradigma könnte die unscheinbare EV-Batterie der unbesungene Held sein, der das Stromnetz von morgen stabilisiert – mehr als jeder statische Wechselrichter oder jede Kondensatorbank.

Die jüngste Arbeit von Ying Jia, Hanli Liu, Shuqi Zhao, Yang Li, Pengfei Han und Biao Chen enthüllt einen sorgfältig choreografierten Zweistufen-Optimierungsprozess, der day-ahead Wirtschaftsplanung mit intraday Spannungs- und Stabilitätsverfeinerung vereint – und dabei EV-Cluster fest einbindet. Es ist mehr als eine algorithmische Übung. Es ist ein Einblick, wie Netze sich von starren, top-down Infrastrukturen zu dynamischen, reaktionsschnellen Ökosystemen entwickeln können, die antizipieren statt nur zu reagieren.

Werfen wir einen Blick darauf, was dieses Modell so besonders macht – und warum es weit über das Labor hinaus von Bedeutung ist.

Das Netz ist nicht länger passiv – es ist aktiv

Historisch betrachtet operierte die Stromverteilung nach der Mentalität „Baue es und sie werden kommen“. Der Strom floss in eine Richtung: von großen zentralen Kraftwerken über Transformatoren und Feeder in Haushalte und Fabriken. Die Nachfrage schwankte, ja – aber das Netz hatte Trägheit, und die Betreiber verließen sich auf rotierende Reserven, Lastabwurf und konservative Sicherheitsmargen.

Dann kamen Solarmodule auf Dächern, Windturbinen, die die Ebenen zierten, und – entscheidend – Millionen von EVs, die nach der Arbeit einsteckten. Plötzlich war die Lastkurve nicht nur wellig; sie wurde spitz, unvorhersehbar und bidirektional. Dezentrale Energieressourcen (DERs) stellten das alte Modell auf den Kopf. Das Ergebnis? Spannungsschwankungen, reverse Leistungsflüsse und Abregelungsprobleme – besonders während der mittäglichen Solarspitzen, wenn überschüssige Erzeugung nicht lokal aufgenommen werden konnte und abgeworfen oder gedrosselt werden musste.

Willkommen im aktiven Verteilnetz – ein Konzept, das vor über einem Jahrzehnt von der CIGRE-Arbeitsgruppe formalisiert wurde, aber erst jetzt in der Praxis reift. Im Gegensatz zu traditionellen Netzen managen ADNs aktiv sowohl Angebot als auch Nachfrage. Sie koordinieren steuerbare Erzeugung (wie dispatchfähige DE-Anlagen), flexible Speicher (stationäre Batterien) und Nachfrageseiten-Assets – an erster Stelle EV-Aggregatoren.

Aber Koordination ist leichter gesagt als getan. Ein reales ADN muss drei konkurrierende Prioritäten jonglieren: Wirtschaftlichkeit (Kosten niedrig halten), Zuverlässigkeit (Blackouts vermeiden) und Nachhaltigkeit (Erneuerbare maximieren). Und entscheidend muss es dies über mehrere Zeithorizonte hinweg tun – von 24-Stunden-Prognosen bis hin zu 15-minütigen Echtzeitkorrekturen.

Genau hier glänzt das Zweistufen-Dispatch-Modell.

Stufe Eins: Das 24-Stunden-Schachspiel

Stellen Sie sich vor, Sie planen eine Überlandfahrt. Sie würden die Hauptstopps, Ladezeitfenster und Übernachtungen auf Basis prognostizierten Verkehrs und Wetters planen. Genau das macht die Day-ahead-Stufe für das Netz – nur die Einsätze sind höher und das Gelände ist elektrisch.

Unter Verwendung realer Wind- und Solardaten aus einem Hybridkraftwerk in Hami, Xinjiang – einer Region bekannt für ihre intensive Sonneneinstrahlung und beständigen Winde – speiste das Team historische Erzeugungsprofile in ein Long Short-Term Memory (LSTM) neuronales Netz ein. Das Ergebnis? Eine 24-Stunden-Prognose der erneuerbaren Erzeugung an vier Schlüsselknoten: PV-Anlagen an den Knoten 24 und 32 sowie Windturbinen an 11 und 17.

Mit dieser Prognose an der Hand startete die erste Optimierung: Minimierung der gesamten Betriebskosten, ein zusammengesetztes Ziel, das umfasst:

Stromkauf/-verkauf mit dem Hauptnetz (unter Zeitnutzungsentgelten: nachts günstig, teuer während 8–13 und 15–21),
Netzverluststrafen,
Wartungskosten für DE und Speicher,
Und – entscheidend – die Opportunitätskosten abgeregelter erneuerbarer Energien.

Ja: Anstatt Abregelung als bloßen technischen Verlust zu behandeln, bewertete das Modell sie explizit mit Echtzeit-Strompreisen. Wenn man 100 kWh Solar um 18:00 Uhr – einer Spitzenpreisstunde – abwirft, verschwendet man nicht nur saubere Energie; man verschenkt ¥1,20 oder mehr an potenziellen Einnahmen. Übersetzt man das in einen Kostenterm, wird das Nicht-Nutzen erneuerbarer Energien plötzlich wirtschaftlich schmerzhaft.

Dann kam der Game-Changer: Hinzufügen steuerbarer Lasten – konkret zwei Energiespeichersysteme (190 kWh am Knoten 10 und 160 kWh am Knoten 28) und ein EV-Aggregator-Cluster (100 kWh Kapazität) am Knoten 7.

Die Auswirkung? Unmittelbar und quantifizierbar.

Die Abregelung erneuerbarer Energien sank um 4,41 Prozentpunkte – von einer Auslastungsrate von 93,77 % auf 98,18 %.
Die Nettostrombeschaffungskosten fielen von ¥472,03 auf ¥446,90 pro Tag – eine Ersparnis von 5,3 %, allein durch Verschiebung von Ladezeitpunkten der Speicher.
Um 15:00 Uhr – der schlimmsten Stunde für Abregelung vor der Optimierung – sprang die Auslastungsrate von 78,91 % auf 88,41 %.

Wie? Durch Zeitverschiebung von Energie. Während der mittäglichen Solarspitzen (12–16 h) exportierte das Netz nicht nur ins Hauptnetz (Verkaufslimit erreichend); es lud gleichzeitig die EVs und stationären Batterien. Dann, während abendlicher Lastanstiege oder nächtlicher Flaute, entluden diese gleichen Assets – füllten Lücken, reduzierten Importe und glätteten das Netto-Lastprofil.

Man kann es als Energiearbitrage betrachten, aber mit Physik und Nebenbedingungen. Die EVs wurden nicht beeinträchtigt; sie folgten Ladeplänen, die mit den Netzanforderungen abgestimmt waren – wahrscheinlich via intelligenter Tarife oder Aggregatorverträge. Ein EV, das um 14:00 Uhr angesteckt wird, könnte zwei Stunden lang mit 3 kW laden, pausieren und dann um 22:00 Uhr auffüllen, wenn der Wind auffrischt und die Preise sinken.

Das ist Nachfrageflexibilität als Infrastruktur.

Stufe Zwei: Der Echtzeit-Seiltanz

Day-ahead-Pläne sind elegant – aber die reale Welt ist chaotisch. Wolken jagen über Solarfarmen. Eine plötzliche Böe verändert die Turbinenleistung. Eine Fabriklinie fällt unerwartet aus. Prognosefehler schleichen sich ein.

Deshalb existiert die Intraday-Rolling-Optimierung-Stufe: ein 4-Stunden-Vorausschau-Fenster, stündlich aktualisiert, mit 15-Minuten-Auflösung. Aber hier liegt der Twist: Sie fängt nicht bei Null an. Sie respektiert die am Vortag gemachten Zusagen.

Konkret:

Die EV- und ESS-Leistungspläne aus Stufe eins werden als weiche Nebenbedingungen behandelt – Abweichungen erlaubt, aber gedeckelt auf ±5 % pro Knoten.
Nur die erste Stunde jedes 4-Stunden-Rolling-Fensters wird festgesetzt; der Rest wird im nächsten Zyklus neu optimiert (eine Technik namens Schleifende-Horizonte-Regelung).
EV-Entladung ist nicht erlaubt (konsistent mit typischer unidirektionaler Ladung heute), was die Batterielebensdauer erhält und die Regelung vereinfacht.
Der Laststufenschalter (OLTC) am Knoten 33 – der Transformator, der das ADN mit dem Hauptnetz verbindet – ist auf nur sechs Operationen pro Tag beschränkt (zu den Stunden 1, 5, 9, etc.), um die mechanische Lebensdauer zu erhalten.

Das Ziel verschiebt sich hier: Weniger um Geld, mehr um Physik.

Drei Ziele leiten den Intraday-Optimierer:

Minimiere Netzverluste – Reduzierung der I²R-Erwärmung in Kabeln, was direkt die Effizienz verbessert und thermische Belastung verringert.
Minimiere Spannungsabweichung – eine kritische Qualitätsmetrik. Spannungen, die über ±5 % (0,95–1,05 pu) abweichen, riskieren Geräteschäden, Flicker und Instabilität.
Maximiere erneuerbare Auslastung – Sicherstellen, dass die Gewinne aus Stufe eins nicht durch zu aggressive Spannungsregelung zunichte gemacht werden.

Da diese Ziele in Konflikt stehen (z.B. kann die Aufnahme von mehr Solar die Spannung erhöhen), verwendete das Team proportionale Skalierung und Urteilsmatrixanalyse, um Gewichte zuzuweisen: Spannungsstabilität erhielt den Löwenanteil (58,42 %), gefolgt von erneuerbarer Nutzung (28,02 %) und Verlusten (13,50 %). Eine pragmatische Balance: Zuverlässigkeit zuerst, Nachhaltigkeit dicht dahinter.

Die Ergebnisse? Auffallend.

Die maximale Knotenspannungsabweichung schrumpfte von 0,0600 pu auf nur 0,0253 pu – gut innerhalb der ±2 % Bandbreite (0,98–1,02), selbst an den volatilsten Knoten (11, 15, 17, 20).
Spannungsprofile glätteten sich dramatisch: Vor der Optimierung überschritten 12 Knoten 0,05 pu Abweichung; nach der Optimierung keiner.
Die erneuerbare Auslastung blieb mit 97,65 % extrem hoch – nur ein Rückgang von 0,53 Punkten gegenüber dem Day-ahead-Optimum, trotz zusätzlicher physikalischer Nebenbedingungen.

In der Praxis bedeutet dies: Lichter flackern nicht, Industriemotoren überhitzen nicht und Wechselrichter schalten während Wolken-Durchgängen nicht ab. Das Netz atmet leichter.

Warum das nicht nur akademisch ist – es ist automobil

Auf den ersten Blick ist dies eine Arbeit über Energiesysteme. Aber schaut man genauer hin: Knoten 7 beherbergt einen EV-Aggregator. Das ist kein theoretischer Platzhalter – es ist ein Stellvertreter für reale EV-Ladenetze: Flottendepots, Arbeitsplatz-Lader oder sogar residentiale V1G (Vehicle-to-Grid unidirektionale) Knotenpunkte.

Das Modell behandelt den EV-Cluster als einen dispatchfähigen Lastblock mit Leistungs- und Energiegrenzen – genau wie Utilities Demand-Response-Ressourcen heute sehen. Und entscheidend zeigt es, dass selbst ohne bidirektionale (V2G) Fähigkeit EVs massiven Netzwerthalt liefern können.

Bedenken Sie: Der 100 kWh EV-Cluster trug ~12 % der gesamten flexiblen Kapazität bei (neben 350 kWh stationärem Speicher). Doch weil EV-Laden hoch verschiebbar ist – den meisten Fahrern ist egal, wann ihr Auto lädt, nur dass es morgens voll ist – bot es mehr Planungsfreiheit pro kWh als feste Batterien, die an spezifische Entladezeitfenster gebunden sind.

Dies hat tiefgreifende Implikationen für Automobilhersteller und Ladeanbieter.

Erstens, intelligentes Laden ist nicht optional – es ist Grundvoraussetzung. Während ADNs skalieren, werden Utilities zunehmend verlangen – oder incentivieren – dass EVSE (Electric Vehicle Supply Equipment) Dispatch-Signale annehmen kann. ISO 15118 (Plug & Charge mit Smart-Grid-Integration) und OCPP 2.0.1 (Open Charge Point Protocol) unterstützen dies bereits. Erwarten Sie Vorschriften.

Zweitens, EVs könnten zu Netzassten in Bilanzen werden. Wenn ein Aggregator zuverlässig 50 kW flexible Last für 4 Stunden nächtlich anbieten kann, entspricht das einem kleinen Spitzenlastkraftwerk – aber mit null Emissionen und geringeren Investitionskosten. Einige europäische Utilities pilotieren bereits „Virtuelle Kraftwerks“-Verträge mit EV-Flotten.

Drittens, Fahrzeugdesign muss Netzrollen berücksichtigen. Batteriethermomanagement, Ladepannungsraten und sogar Onboard-Kommunikationsmodule müssen Grid-Service-Profile unterstützen – nicht nur schnelles DC-Laden. Teslas „Geplante Abfahrt“ und GMs Ultium Energy Services sind frühe Schritte; der nächste Sprung ist Echtzeit-Koordination.

Und schließlich deutet diese Forschung auf eine Zukunft hin, in der EVs verdienen, während sie parken. Ja, volles V2G wird noch durch Batteriegarantiebedenken und Wechselrichterkosten zurückgehalten. Aber selbst gesteuertes unidirektionales Laden kann Wert generieren: Niedrigere Stromrechnungen via Zeitnutzungsarbitrage, Demand-Response-Zahlungen oder CO₂-Zertifikate. In Chinas zunehmend marktgetriebenem Energiesektor summieren sich diese Mikro-Einnahmen.

Jenseits der Simulation: Skalierbarkeit und reale Verbreitung

Kritiker mögen einwenden: Dies wurde an einem modifizierten IEEE-33-Knoten-Tester getestet – einem klassischen Benchmark, aber klein (Gesamtlast ~3,7 MW) und radial. Wird es auf urbane vermaschte Netze mit Tausenden von Knoten skalieren?

Die Antwort liegt in der Second-Order Cone (SOC) Relaxation, die für die Leistungsflussmodellierung verwendet wurde. Im Gegensatz zum traditionellen AC-Leistungsfluss – der nichtkonvex und rechnerisch tückisch ist – wandelt SOC das Problem in eine konvexe Form um, die in Sekunden lösbar ist, selbst für größere Systeme. Und für radiale Netze (wie die meisten Verteilnetz-Feeder) ist die Relaxation exakt: Die Lösung erfüllt die originalen AC-Gleichungen. Das ist keine Approximation – es ist mathematische Äquivalenz.

Darüber hinaus ist die Zweistufen-Struktur inhärent modular. Stufe eins kann zentral beim DSO (Distribution System Operator) laufen; Stufe zwei kann dezentralisiert ausgeführt werden – von Edge-Controllern an Umspannwerken oder sogar EVSE-Knotenpunkten. Mit dem raschen Fortschritt von 5G und Edge-AI schwinden die Latenz- und Bandbreitenhürden.

Bereits bewegen sich Early Adopter über Piloten hinaus. In der Provinz Shandong testet State Grid ADN-Dispatch mit EV-Aggregatoren in Qingdao. In Guangdong hat die Nari Group Echtzeit-Spannungsoptimierung mit Kondensatorbänken und OLTCs eingesetzt – ähnlich den Blindleistungskompensationsgeräten in dieser Studie (SVCs an Knoten 5/15/30, Kondensatoren an 5/15). Die Teile sind vorhanden.

Was fehlt, ist Integration – das Zusammenbinden von DERs, Speichern und EVs in einen einzigen, hierarchischen Kontrollstack. Genau das lieferten Jia und Kollegen: kein neues Gerät, sondern ein neues Betriebssystem für das Netz.

Der Weg nach vorn: Vom Dispatch zum Ökosystem

Die wahre Bedeutung dieser Arbeit liegt nicht in den Nachkommastellen der Kostenreduktion oder Spannungsabweichung. Sie liegt im Mindset-Wandel, den sie verkörpert.

Wir haben Transport und Energie lange als separate Sektoren behandelt – verschiedene Regulierer, verschiedene Ingenieure, verschiedene Geschäftsmodelle. Aber EVs sind die physische Brücke zwischen ihnen. Jedes Mal, wenn ein EV lädt, ist es ein Ereignis im Energiesystem. Jedes Mal, wenn eine Netzengpass die Ladegeschwindigkeit begrenzt, ist es ein Mobilitätsereignis.

Dieses Zweistufen-Modell ist einBlueprint für Co-Design – bei dem Netzbetreiber, Automobilhersteller und Ladenetze die gleiche Sprache sprechen: Optimierungsvariablen, Nebenbedingungen und multiobjective Trade-offs.

Zukünftige Iterationen könnten einbeziehen:

Bidirektionales V2G, das EV-Batterien als dispatchfähige Erzeugung (nicht nur Last) erschließt.
Unsicherheitsquantifizierung, unter Verwendung stochastischer oder robuster Optimierung, um sich gegen Prognosefehler abzusichern.
Transaktive Regelung, bei der EVs und andere DERs über Preissignale anstatt zentraler Befehle verhandeln.
Cybersecurity-Schichten, die sicherstellen, dass Dispatch-Signale nicht gefälscht oder verzögert werden können.

Aber selbst in ihrer aktuellen Form beweist das Modell einen entscheidenden Punkt: Das Netz muss EVs nicht fürchten – es muss sie anwerben.

Wie ein Ingenieur es ausdrückte: „Die Batterie in Ihrer Garage ist das am wenigsten genutzte Asset der Energiewende.“ Diese Forschung zeigt, wie man das ändern kann.

Wenn Sie also das nächste Mal Ihr EV einstecken, denken Sie daran: Sie tanken nicht nur für Ihren Pendelweg auf. Sie könnten dabei helfen, die Spannung an Knoten 17 stabil zu halten, einer Windturbine erlauben, mit voller Drehzahl zu laufen, und dem Netz ¥25 an Beschaffungskosten zu sparen.

Das ist keine Science-Fiction. Dank Arbeiten wie dieser rollt es bereits aus – leise, effizient, einen Dispatch-Zyklus nach dem anderen.

Ying Jia¹, Hanli Liu², Shuqi Zhao¹, Yang Li³, Pengfei Han⁴, Biao Chen² ¹School of Electrical and Information Engineering, Northeast Petroleum University, Daqing 163318, China ²Power No.1 Company, PetroChina Electric Energy Limited Company, Daqing 163453, China ³Purifier Branch, Daqing Oilfield Water Company, Daqing 163453, China ⁴Information and Communication Center, PetroChina Power Supply Company, Daqing 163453, China Journal of Jilin University (Engineering and Technology Edition), 2023, Vol. 53, No. 4, pp. 709–716 DOI:10.13229/j.cnki.jdxbgxb20220417